Fuel Slip and Greenhouse Gas Emissions in a Hydrogen Blended Ammonia-Diesel Dual Fuel Engine at Different Engine Loads
Notice bibliographique
Résumé
Abstract Ammonia offers easier storage and distribution compared to hydrogen. Transitioning from diesel to green ammonia in heavy-duty compression ignition engines presents a promising pathway for reducing greenhouse gas (GHG) emissions. Nevertheless, ammonia combustion is hindered by its low flame speed and the presence of fuel-bound nitrogen, which can lead to ammonia slip and increased emissions of nitrous oxide (N2O) and nitrogen oxides (NOx), thereby offsetting its zero-carbon advantage. This study experimentally investigates the effect of hydrogen blending on ammonia slip and emissions of NO, N2O, and GHG in a heavy-duty ammonia-diesel dual-fuel engine under three typical engine load conditions. The results indicate that hydrogen blending significantly improves ammonia combustion efficiency and reduces ammonia slip across all tested engine loads. Additionally, hydrogen blending lowers N2O emissions at higher engine loads and/or greater gaseous fuel energy fractions - conditions that result in elevated combustion temperatures. However, at lower engine loads or smaller gaseous fuel energy fractions, where combustion temperatures are relatively lower, hydrogen blending does not effectively reduce N2O emissions. Consequently, hydrogen blending decreases overall GHG emissions when combustion temperatures are high but does not provide the same benefit under lower temperature conditions. A notable side effect of hydrogen blending is an increase in NO emissions, as it raises combustion temperatures and enhances fuel-NO formation. These findings provide valuable insights into optimizing hydrogen-ammonia fuel blends to balance emissions reduction and combustion efficiency in heavy-duty ammonia-diesel dual-fuel engines at different load conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».